基于深度学习在线检测的路灯灯杆自动焊接系统及焊接方法与流程

本发明涉及机械制造工艺领域，具体涉及一种基于深度学习的路灯灯杆系统及焊接方法。

背景技术：

随着我国城市化进程的不断推进，基础设施的大力建设，对各种建设原材料的需求与日俱增，例如在交通照明设备方面，对路灯灯杆的需求量在日益增加，对路灯灯杆的质量也提出了更高的要求，因此路灯灯杆的结构设计变得更加复杂，使得焊接的工作量占到了整个加工周期的一半以上，焊接的质量直接影响到整个灯杆的加工质量。目前国内灯杆的焊接方式大部分是人工焊接，人工焊接主要存在的问题是效率低下、劳动强度高、环境恶劣和成本较高。目前绝大多数的焊缝检测环节仍然使用人工检测的方式，存在效率低下的问题，而且焊缝焊接和质检是分离的步骤，由于塔杆体积较大和车间空间有限的问题，焊接完成后质检不通过的产品重新进行再次加工也非常繁琐。

技术实现要素：

本发明第一个发明目的在于提供一种基于深度学习在线检测的路灯灯杆自动焊接系统，用以解决目前灯杆焊接效率低，劳动强度高、环境恶劣和成本较高等问题。

实现本发明的目的技术方案如下：

一种基于深度学习在线检测的路灯灯杆自动焊接系统，其包括焊接机器人、机器人控制器、高速摄像头、焊缝质量在线检测系统、电气控制及按钮站、焊接电源、机器人专用焊枪、清枪剪丝装置、头尾架变位机和机器人移动导轨；

焊接机器人采用六自由度的专用焊接机器人，其中三个自由度用来进行机器人的姿态调整，另外三个自由度用于焊枪的姿态调整，使得机器人能够完成结构复杂的焊接工作；同时采用先进的伺服技术保证机器人的动作速度和精度，提高工作效率；

机器人控制器用于进行焊接任务设定，通过配备的示教器支持在现场进行焊接机器人焊接参数的设定，示教完成后会将各个示教点的位置和姿态信息、运动参数和工艺参数存入控制器的内存，当焊接机器人进入自动工作模式后，根据存储在控制器内存的各项参数进行路径规划，驱动伺服系统进行焊接机器人位置和姿态的控制，同时实时采集机器人各个关节位置的反馈信息，不断修正误差，使得焊接机器人位置和姿态达到预期的目标；

高速摄像头用于实时采集工件焊缝的图像，输入焊缝质量检测装置进行灯杆焊缝在线质量检测；

焊缝质量在线检测系统主要由一台高性能服务器构成，核心是深度学习技术，通过采集足够数量质量良好的焊缝图像和存在质量问题的焊缝图像组成训练集和测试集，建立神经网络模型，对神经网络进行训练，利用测试集测试训练后的模型，若模型输出准确率达到标准则固化模型，构建分类器；若误差过大则重新训练并测试；在焊接过程中，焊缝质量检测系统对高速摄像头实时采集到的焊缝图像进行处理，通过分类器完成图像分类，快速评估灯杆焊缝质量，并将检测结果实时输入到机器人控制器，用来规划下一步的焊接任务；

电气控制系统用来进行对机器人、焊接电源、头尾架变位机的控制，压缩气体压力和保护气体压力的检测，控制工作站的启停操作；按钮站的启动和停止开关能够实现设备的运转和停止操作；

焊接电源配备齐全的通讯接口和i/o接口，全数字化系统，实现熔滴过渡的精细控制；采用一脉一滴控制技术，热输入少，工件变形小；使用软开关逆变技术，整机可靠性高、节能省电，实现无飞溅焊接；

清枪剪丝装置专用于机器人焊接系统的焊枪清理装置，将清枪、剪丝、喷油三种功能集成在一个工作平台，结构紧凑，维护方便；

头尾架变位机用于调整工件姿态，结合升降支撑装置能够使所有焊缝处于最佳焊接位置；头尾架变位机的伺服电机作为机器人的外部轴可自由编程，可与机器人系统轨迹插补，扩大焊接范围；伺服电机驱动精密减速机，齿轮在转动过程中始终与回转支撑啮合，驱动变位机转盘旋转；变位机基座采用优质型材焊接而成，经过退火处理；导电机构安装在回转座内，导电铜块在弹簧作用下保证焊接过程导电良好；

机器人移动导轨包括伺服电机和减速机，通过齿轮齿条传动；高精度齿轮齿条、导轨以及独特的齿轮背隙消除机构保证了导轨传动的精确性；机器人与机器人移动导轨组合使用，使得机器人焊接系统有很大的工作范围和柔性，即使大型复杂工件上可达性不好的空间焊缝，也能轻松胜任；

焊接机器人与机器人移动导轨滑动配合，机器人专用焊枪与焊接机器人活动连接，机器人控制器分别与焊接机器人、机器人移动导轨、机器人专用焊枪、清枪剪丝装置、高速摄像头、焊缝质量在线检测系统和电气控制及按钮站通信连接，高速摄像头采集的图像通过通信线路传输至焊缝质量在线检测系统，通过焊缝质量在线检测系统进行焊缝质量的分析检测；需要焊接的工件通过头尾架变位机来固定和调节角度，以便于焊接机器人进行焊接。

本发明第二个发明目的在于提供一种基于深度学习在线检测的路灯灯杆自动焊接方法，具体方案如下：

一种基于深度学习在线检测的路灯灯杆自动焊接系统的焊接方法，其包括以下步骤：

1）焊接机器人、机器人控制器的初始化，包括上电，功能自检和就绪；

2）将待焊接工件固定到变位机上，工件姿态由变位机进行调整，使工件在焊接过程中始终保持最佳焊接姿态；

3）通过机器人控制器和配备的示教器进行焊接机器人的现场编程和示教，依靠配备的完善软件指令集和硬件结构，能够精确地控制焊接过程中的各项参数，包括焊接速度、角度、位移参数，示教完成后，这些参数就存入机器人控制器的内存中，此后的焊接操作中焊接机器人就以这些参数为依据进行自动焊接；

4）完成示教操作后，焊接机器人就能够自动进行焊接任务，配合变位机和移动导轨能够实现较大行程和较复杂空间位置的焊接任务，由于工件在安装和变位机控制中会存在位置偏差，焊接机器人会根据焊缝的实际位置与示教位置的偏差判断出焊缝的起始点，焊接机器人按照设定的程序将带电焊丝接触工件时，焊丝与工件之间会产生电压降，机器人控制器接收到这个信号后以此为依据进行数据修正，保证焊接轨迹的精确性；

5）焊接完成后，通过配备在焊接机器人上的高速摄像头能够快速采集清晰完整的焊缝图像，将采集到的图像输入到焊缝质量在线检测系统即时评估焊缝质量，若焊缝质量良好则继续进行下面的任务，若存在问题则进行补焊或其它处理；

6）完成当前的焊接任务并判定焊缝质量良好后，若整个工件还有其它焊接任务，则继续进行下一步的任务，通过操作变位机和焊接机器人移动导轨使焊接机器人和工件处于一个合适的相对位置继续进行焊接任务；若完成了全部的焊接任务则结束焊接操作，焊接机器人和变位机回复到初始位置姿态；

7）焊接结束后焊接机器人回到安全位置，操作人员进入焊接工作区卸下焊接完成的工件，安装待焊接的工件，再次启动焊接任务，如此往复操作。

上述方案中，在步骤5中，焊缝质量检测包括训练模型和测试模型两部分；

训练模型包括以下步骤：1）数据准备：采集焊缝正常、咬边、气孔、未焊透、裂纹和夹渣的图片各1000-10000张，其中一部分作为训练集，另一部分作为测试集；2）预处理：由于训练集的样本图片为彩色图片，直接进行处理运算量过大，所以将训练集的图片进行灰度化和归一化操作，规范化输入样本，提高处理速度；3）形成训练模型：深度学习模型中的卷积神经网络直接利用图像像素信息作为输入，最大程度上保留了输入图像的所有信息，通过卷积操作进行特征的提取和高层抽象，模型直接输出图像识别的结果；卷积神经网络由卷积层、池化层、全连接层组成，卷积神经网络通过卷积模拟特征区分，通过池化降低数据维度，最后的全连接层为传统的神经网络，完成分类任务；训练过程传统神经网络类似，采用反向传播算法；首先初始化卷积神经网络，主要是初始化权矩阵，此时权矩阵的值都是随机的，然后随机从训练集中抽取一张样本图片，预处理后进行若干次卷积、池化处理，再经过全连接层输出结果，与理想输出的结果进行比对，按极小化误差的方法反向传播调整权矩阵，当迭代到一定次数或误差小于一定的阈值后结束训练，再从测试集中抽取样本图片输入到神经网络中进行测试，统计输出结果的准确率，若准确率达到允许范围则将该模型固化，作为产品焊缝质量检测的分类器；

测试模型包括以下步骤：1）随机从测试集中抽取一个样本，进行预处理操作；2）将预处理好的样本输入已经训练好的模型中；3）通过若干次卷积和池化处理，再经过全连接层输出分类结果；4）将得到的分类结果和正确结果进行比对，记录本次判断的准确性；5）再次随机抽取样本重复1~4步，统计判断的准确性，达到设定的测试次数后计算该模型输出的准确率，若准确率高于规定的阈值则认为该模型是可靠的，否则需要重新训练模型。

本发明的有益效果如下：本发明的基于深度学习在线检测的路灯灯杆自动焊接系统及焊接方法，进行路灯灯杆的自动化焊接操作，焊接效率高，焊接质量更高，劳动强度和生产环境明显改善，生产成本降低，本发明运用深度学习技术进行焊缝质量检测，简化制造环节，提高生产效率和合格率。

附图说明

图1为本发明的基于深度学习在线检测的路灯灯杆自动焊接系统的示意图；

图2为本发明的基于深度学习在线检测的路灯灯杆自动焊接方法的工作流程图；

图3为本发明的在线检测方案训练模型流程图；

图4为本发明的在线检测方案测试模型流程图。

具体实施方式

为使本发明解决的技术问题、采用方案和实现效果表达的更加清楚明了,下面将结合附图进一步详细描述,所有实例描述仅为本发明的部分不是全部的实例,本邻域技术人员没有创造性的成果的其他实例都属于本发明保护的范围。

如图1所示为本发明的基于深度学习在线检测的路灯灯杆自动焊接系统，其包括焊接机器人、机器人控制器、高速摄像头、焊缝质量在线检测系统、电气控制及按钮站、焊接电源、机器人专用焊枪、清枪剪丝装置、头尾架变位机和机器人移动导轨；

焊接机器人采用六自由度的专用焊接机器人，其中三个自由度用来进行机器人的姿态调整，另外三个自由度用于焊枪的姿态调整，使得机器人能够完成结构复杂的焊接工作；同时采用先进的伺服技术保证机器人的动作速度和精度，提高工作效率；

机器人控制器用于进行焊接任务设定，通过配备的示教器支持在现场进行焊接机器人焊接参数的设定，示教完成后会将各个示教点的位置和姿态信息、运动参数和工艺参数存入控制器的内存，当焊接机器人进入自动工作模式后，根据存储在控制器内存的各项参数进行路径规划，驱动伺服系统进行焊接机器人位置和姿态的控制，同时实时采集机器人各个关节位置的反馈信息，不断修正误差，使得焊接机器人位置和姿态达到预期的目标；

高速摄像头用于实时采集工件焊缝的图像，输入焊缝质量检测装置进行灯杆焊缝在线质量检测；

焊缝质量在线检测系统主要由一台高性能服务器构成，核心是深度学习技术，通过采集足够数量质量良好的焊缝图像和存在质量问题的焊缝图像组成训练集和测试集，建立神经网络模型，对神经网络进行训练，利用测试集测试训练后的模型，若模型输出准确率达到标准则固化模型，构建分类器；若误差过大则重新训练并测试；在焊接过程中，焊缝质量检测系统对高速摄像头实时采集到的焊缝图像进行处理，通过分类器完成图像分类，快速评估灯杆焊缝质量，并将检测结果实时输入到机器人控制器，用来规划下一步的焊接任务；

电气控制系统用来进行对机器人、焊接电源、头尾架变位机的控制，压缩气体压力和保护气体压力的检测，控制工作站的启停操作；按钮站的启动和停止开关能够实现设备的运转和停止操作；

焊接电源配备齐全的通讯接口和i/o接口，全数字化系统，实现熔滴过渡的精细控制；采用一脉一滴控制技术，热输入少，工件变形小；使用软开关逆变技术，整机可靠性高、节能省电，实现无飞溅焊接；

清枪剪丝装置专用于机器人焊接系统的焊枪清理装置，将清枪、剪丝、喷油三种功能集成在一个工作平台，结构紧凑，维护方便；

头尾架变位机用于调整工件姿态，结合升降支撑装置能够使所有焊缝处于最佳焊接位置；头尾架变位机的伺服电机作为机器人的外部轴可自由编程，可与机器人系统轨迹插补，扩大焊接范围；伺服电机驱动精密减速机，齿轮在转动过程中始终与回转支撑啮合，驱动变位机转盘旋转；变位机基座采用优质型材焊接而成，经过退火处理；导电机构安装在回转座内，导电铜块在弹簧作用下保证焊接过程导电良好；

机器人移动导轨包括伺服电机和减速机，通过齿轮齿条传动；高精度齿轮齿条、导轨以及独特的齿轮背隙消除机构保证了导轨传动的精确性；机器人与机器人移动导轨组合使用，使得机器人焊接系统有很大的工作范围和柔性，即使大型复杂工件上可达性不好的空间焊缝，也能轻松胜任；

焊接机器人与机器人移动导轨滑动配合，机器人专用焊枪与焊接机器人活动连接，机器人控制器分别与焊接机器人、机器人移动导轨、机器人专用焊枪、清枪剪丝装置、高速摄像头、焊缝质量在线检测系统和电气控制及按钮站通信连接，高速摄像头，采集的图像通过通信线路传输至焊缝质量在线检测系统，通过焊缝质量在线检测系统进行焊缝质量的分析检测；需要焊接的工件通过头尾架变位机来固定和调节角度，以便于焊接机器人进行焊接。

为了保证操作人员人身安全，在焊接机器人的活动范围外部设置了安全防护围栏：用以隔绝焊接机器人在进行工作时的操作空间与操作人员的工作空间。

如图2所示为基于深度学习在线检测的路灯灯杆自动焊接系统的焊接方法，其包括以下步骤：

1）焊接机器人、机器人控制器的初始化，包括上电，功能自检和就绪；

2）将待焊接工件固定到变位机上，工件姿态由变位机进行调整，使工件在焊接过程中始终保持最佳焊接姿态；

3）通过机器人控制器和配备的示教器进行焊接机器人的现场编程和示教，依靠配备的完善软件指令集和硬件结构，能够精确地控制焊接过程中的各项参数，包括焊接速度、角度、位移参数，示教完成后，这些参数就存入机器人控制器的内存中，此后的焊接操作中焊接机器人就以这些参数为依据进行自动焊接；

4）完成示教操作后，焊接机器人就能够自动进行焊接任务，配合变位机和移动导轨能够实现较大行程和较复杂空间位置的焊接任务，由于工件在安装和变位机控制中会存在位置偏差，焊接机器人会根据焊缝的实际位置与示教位置的偏差判断出焊缝的起始点，焊接机器人按照设定的程序将带电焊丝接触工件时，焊丝与工件之间会产生电压降，机器人控制器接收到这个信号后以此为依据进行数据修正，保证焊接轨迹的精确性；

5）焊接完成后，通过配备在焊接机器人上的高速摄像头能够快速采集清晰完整的焊缝图像，将采集到的图像输入到焊缝质量在线检测系统即时评估焊缝质量，若焊缝质量良好则继续进行下面的任务，若存在问题则进行补焊或其它处理；

6）完成当前的焊接任务并判定焊缝质量良好后，若整个工件还有其它焊接任务，则继续进行下一步的任务，通过操作变位机和焊接机器人移动导轨使焊接机器人和工件处于一个合适的相对位置继续进行焊接任务；若完成了全部的焊接任务则结束焊接操作，焊接机器人和变位机回复到初始位置姿态；

7）焊接结束后焊接机器人回到安全位置，操作人员进入焊接工作区卸下焊接完成的工件，安装待焊接的工件，再次启动焊接任务，如此往复操作。

如图2和3所示，在步骤5中，焊缝质量检测包括训练模型和测试模型两部分；

训练模型包括以下步骤：1）数据准备：采集焊缝正常、咬边、气孔、未焊透、裂纹和夹渣的图片各1000-10000张，其中一部分作为训练集，另一部分作为测试集；2）预处理：由于训练集的样本图片为彩色图片，直接进行处理运算量过大，所以将训练集的图片进行灰度化和归一化操作，规范化输入样本，提高处理速度；3）形成训练模型：深度学习模型中的卷积神经网络直接利用图像像素信息作为输入，最大程度上保留了输入图像的所有信息，通过卷积操作进行特征的提取和高层抽象，模型直接输出图像识别的结果；卷积神经网络由卷积层、池化层、全连接层组成，卷积神经网络通过卷积模拟特征区分，通过池化降低数据维度，最后的全连接层为传统的神经网络，完成分类任务；训练过程传统神经网络类似，采用反向传播算法；首先初始化卷积神经网络，主要是初始化权矩阵，此时权矩阵的值都是随机的，然后随机从训练集中抽取一张样本图片，预处理后进行若干次卷积、池化处理，再经过全连接层输出结果，与理想输出的结果进行比对，按极小化误差的方法反向传播调整权矩阵，当迭代到一定次数或误差小于一定的阈值后结束训练，再从测试集中抽取样本图片输入到神经网络中进行测试，统计输出结果的准确率，若准确率达到允许范围则将该模型固化，作为产品焊缝质量检测的分类器；

测试模型包括以下步骤：1）随机从测试集中抽取一个样本，进行预处理操作；2）将预处理好的样本输入已经训练好的模型中；3）通过若干次卷积和池化处理，再经过全连接层输出分类结果；4）将得到的分类结果和正确结果进行比对，记录本次判断的准确性；5）再次随机抽取样本重复1~4步，统计判断的准确性，达到设定的测试次数后计算该模型输出的准确率，若准确率高于规定的阈值则认为该模型是可靠的，否则需要重新训练模型。

需要说明的是，以上所述仅为本发明的几个优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然能够对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。